Download do Código Fonte senet.pytorch

senet.pytorch

Pitão

To attach weight

Baixar

Senet.pytorch

Uma implementação da Senet, proposta em redes de aperto e excitação por Jie Hu, Li Shen e Gang Sun, que são os vencedores do concurso de classificação do ILSVRC 2017.

Agora, são implementados se-resnnet (18, 34, 50, 101, 152/20, 32) e SE-Inception-V3.

python cifar.py é executado se-resseNT20 com o conjunto de dados CIFAR10.
python imagenet.py e python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py execute se -resnnet50 com o conjunto de dados ImageNet (2012),
- Você precisa preparar o conjunto de dados sozinho em ~/.torch/data ou definir uma variável enx da imagem IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- Primeiro baixe arquivos e depois siga a instrução.
- O número de trabalhadores e alguns parâmetros hiper são corrigidos; portanto, verifique e altere -os, se necessário.
- Este script usa todas as GPUs disponíveis. Para especificar GPUs, use a variável CUDA_VISIBLE_DEVICES . (por exemplo, CUDA_VISIBLE_DEVICES=1,2 para usar a GPU 1 e 2)

Para SE-CECPEIÇÃO-V3, o tamanho da entrada é necessário para ser 299x299 como o início original.

Pré-requisitos

A base de código é testada na configuração a seguir.

Python> = 3.8
Pytorch> = 1.6.0
Torchvision> = 0,7

Para treinamento

Para executar cifar.py ou imagenet.py , você precisa

pip install git+https://github.com/moskomule/[email protected]

eixo

Você pode usar algumas segundas se_resnet{20, 56, 50, 101} ) via torch.hub .

 import torch . hub
hub_model = torch . hub . load (
    'moskomule/senet.pytorch' ,
    'se_resnet20' ,
    num_classes = 10 )

Além disso, um modelo SE-RESNET50 pré-treinamento está disponível.

 import torch . hub
hub_model = torch . hub . load (
    'moskomule/senet.pytorch' ,
    'se_resnet50' ,
    pretrained = True ,)

Resultados

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

Observe que o conjunto de dados CIFAR-10 deve estar em ~/.torch/data .

	Resnet20	SE-RESNET20 (Redução 4 ou 8)
máx. precisão do teste	92%	93%

SE-RESNET50/ImageNet

 python [-m torch.distributed.launch --nproc_per_node=${NUM_GPUS}] imagenet.py

A opção [-m ...] é para treinamento distribuído. Observe que o conjunto de dados ImageNet deve estar em ~/.torch/data ou especificado como IMAGENET_ROOT=${PATH_TO_IMAGENET} .

A taxa de aprendizado inicial e o tamanho do mini-lote são diferentes da versão original devido ao meu recurso computacional .

	Resnet	SE-RESNET
máx. precisão do teste (TOP1)	76,15 %(*)	77,06% (**)

(*): Resnet-50 na Torchvision
(**): Ao usar imagenet.py com a configuração --distributed em 8 GPUs. O peso está disponível.

 # !wget https://github.com/moskomule/senet.pytorch/releases/download/archive/seresnet50-60a8950a85b2b.pkl

senet = se_resnet50 ( num_classes = 1000 )
senet . load_state_dict ( torch . load ( "seresnet50-60a8950a85b2b.pkl" ))